1、目标站点分析
首先打开浏览器(谷歌)、输入maoyan.com进入猫眼电影的官网、找到榜单下的TOP100榜、右键单击打开检查或者直接按F12打开、点击左上角鼠标图标,点击第一名霸王别姬,我们发现每个<dd>标签都包含一个视频的信息(img(图片),每个<p>标签分别包含视频名class=“name”、主演class=“star”、上映时间class=“releasetime”和评分(评分是有两个<i>标签拼接起来的,class分别为integer和fraction),整体结构比较清晰
2、流程框架
- 抓取单页内容:利用requests请求目标站点,得到单个网页HTML代码,返回结果
- 正则表达式分析:根据HTML代码分析得到电影的名称、主演、上映时间、评分、图片链接等信息
- 保存至文件:通过文件的形式将结果保存,每一部电影一个结果一行json字符串
- 开启循环及多线程:对多页内容遍历,开启多线程提高抓取速度
3、爬虫实战:
打开pycharm,点击左上角File—NewProject,新建名为maoyanTOP100
在maoyanTOP100目录下新建一个spider.py文件,进入spider.py
详细步骤解析已注释,源代码如下:
import requests#d导入requests模块 from multiprocessing import Pool#进程池 from requests.exceptions import RequestException#用于异常处理 import json import re#导入正则表达式 headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36' } def get_one_page(url):#请求单页内容的方法 try: response = requests.get(url,headers=headers)#用requests.get请求url if response.status_code == 200:#判断,如果请求到的状态码==200(请求成功) return response.text#返回网页内容 return None#如果是其他状态码返回None except RequestException: return None def parse_one_page(html):#解析单页内容 pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?src="(.*?)".*?name"><a'+'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>' +'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)#编写正则表达式 items = re.findall(pattern,html)#应用已编好的正则表达式 for item in items:#遍历 yield { '排名':item[0], '图片地址': item[1], '标题': item[2], '主演': item[3].strip()[3:], '上映时间': item[4].strip()[5:], '评分': item[5]+item[6] } def write_to_file(content):#将爬取结果保存到resuli.txt with open('result.txt','a',encoding='utf-8') as f: f.write(json.dumps(content,ensure_ascii=False)+'\n') f.close() def main(offset): url = 'http://maoyan.com/board/4?offset='+str(offset) html = get_one_page(url) for item in parse_one_page(html): print(item) write_to_file(item) if __name__=="__main__": pool = Pool()#构造进程池 pool.map(main,[i*10 for i in range(10)])#爬取多页